Test-time Adaptation for Foundation Medical Segmentation Model without Parametric Updates
Created by
Haebom
저자
Kecheng Chen, Xinyu Luo, Tiexin Qin, Jie Liu, Hui Liu, Victor Ho Fun Lee, Hong Yan, Haoliang Li
개요
본 논문은 의료 영상 분할에서 MedSAM과 같은 기존 기반 모델들이 복잡한 구조와 외관을 가진 특정 병변에 대해 성능 저하를 보이고, 경계 상자 프롬프트에 의한 섭동에도 취약하다는 점을 지적합니다. 기존의 Test-Time Adaptation (TTA) 방법들은 매개변수 업데이트의 제약이나 catastrophic forgetting으로 인해 효과적이지 못하고, 계산 복잡도 또한 높다는 문제점을 가지고 있습니다. 본 연구는 MedSAM 구조 하에서 이미지 임베딩을 직접적으로 개선하는 방법을 제시합니다. 이는 매개변수 업데이트와 동일한 목표를 달성하면서 계산 효율성을 높이고 catastrophic forgetting 위험을 제거합니다. 제안된 방법은 분포 근사화된 잠재 조건부 랜덤 필드 손실과 엔트로피 최소화 손실을 결합하여 사후 예측 확률의 인수 분해된 조건부 확률을 극대화하도록 합니다. 실험 결과, 세 가지 데이터셋에서 Dice score를 약 3% 향상시키면서 계산 복잡도를 7배 이상 줄였습니다.
시사점, 한계점
•
시사점:
◦
이미지 임베딩 직접 개선을 통한 효율적인 TTA 방법 제시
◦
기존 TTA의 한계점인 계산 복잡도 및 catastrophic forgetting 문제 해결
◦
다양한 의료 영상 분할 데이터셋에서 성능 향상 확인 (Dice score 약 3% 향상)
◦
계산 복잡도 7배 이상 감소
•
한계점:
◦
제안된 방법의 효과는 MedSAM 구조에 국한될 수 있음. 다른 기반 모델에 대한 일반화 가능성 검증 필요.
